基于clear-SSD的单点多盒飞机目标检测天气适用性

目前遥感影像目标检测算法大多针对良好天气,一旦出现雾霾,则必然影响检测效果。为使目标在良好天气或雾天条件下均能有较优的检测精度,提高模型适用性。以飞机检测为例,提出一种基于影像处理的clear-SSD单点多盒目标检测模型。该模型在SSD检测算法前增加了影像处理算法,即先对待检测的遥感影像进行清晰化处理,再通过SSD检测算法提取影像中的飞机。比较不同清晰化算法对检测精度的提升效果,选择适用性最优的算法作为模型前端,备选清晰化算法包括暗通道、高斯同态滤波及线性同态滤波,研究表明,三种清晰化算法对精度均有改善,其中高斯同态滤波的适用性最优,平均检测精度达到0.9843,比原始SSD模型提高了0.043,因此,将高斯同态滤波作为clear-SSD模型的影像处理部分。     

基于深度网络模型的牛脸检测算法比较

针对传统检测方法在牛脸检测应用方面存在的检测设备易损、检测结果不理想等问题,根据大数据、多差异性原则,使用手机和相机在某奶牛养殖场采集奶牛数据,构建了一个超过10 000张不同条件下(如遮挡、模糊、光照变化等)的奶牛数据集.在此基础上使用目前有代表性的基于深度网络模型的目标检测方法(如SSD,Faster R-CNN和R-FCN等)对该数据集进行试验对比分析.结果表明:Faster R-CNN模型综合检测精度最高,可达0.990,但其检测速度相对较慢,为11 F·s~(-1);SSD模型的检测速度最快,为47 F·s~(-1),但其检测精度与Faster R-CNN相比略低,约为0.945.     

雾天低质量可见光侦察图像复原算法

雾天条件下,利用侦察设备获取的目标区可见光图像对比度低,不能满足指挥员对战场目标的识别判断。文章基于大气散射理论建立了适于远距离雾天图像退化模型,根据雾天能见度、波长和景深等计算所需空间变化光学深度,并通过实例验证了该方法能有效复原低质量可见光侦察图像,具有很强的实用性。     

基于深度学习算法的航拍巡检图像的绝缘子识别

针对绝缘子检测目标在航拍图像中尺寸变化剧烈的问题,提出一种改进Faster R-CNN的绝缘子检测算法.首先将FPN特征金字塔结构网络与Faster R-CNN算法进行结合,将不同尺度下的特征进行融合;然后,改进最大池化层,提升检测框的坐标精度;针对遮挡现象,采用Soft-NMS算法规避不同目标检测框因重叠而被误删的情况.经过对绝缘子航拍数据集的检测验证,对比原Faster R-CNN网络,本改进网络结构提高了平均准确率(MAP),且可以更有效地识别图像中更小比例的绝缘子目标.     

基于改进Faster R-CNN算法的车辆检测

基于区域的网络Faster R-CNN算法在图像的目标检测领域取得了巨大突破.相比较于传统的目标检测方法R-CNN和Fast R-CNN,Faster R-CNN提出了一种候选区域网络(RPN)有效的提升了检测候选框的生成速度.本文通过分析提出的RPN网络的实现方法,引用了K-Means++聚类算法,来对训练数据集中的目标框大小进行聚类分析,替代原本算法中的9个区域框.通过实验对比分析,通过改进的方法提高了车辆检测的精度.     

通航机场场面运动目标检测方法

针对传统YOLOv3(you only look once-v3)算法目标检测精度较低、收敛速度较慢等问题,提出了一种改进的YOLOv3算法,分别对主干网络和损失函数进行了改进。采用迁移和冻结相结合的训练方法,以提升目标检测的精确度和速度。基于改进的YOLOv3算法对西南某通航机场3种不同场景下的运动目标检测效果进行了对比分析。结果表明,改进的YOLOv3算法对正常天气场景下的场面运动目标检测效果要明显优于雾天和雨天场景,对飞机目标的检测效果明显优于车辆和行人目标;3类目标的检测精度、召回率、平均精度值(mean average precision, mAP)分别达到92.96%、80.51%、91.96%,GPU处理速度为74.0帧/s,较传统YOLOv3算法和YOLOv4算法性能均有明显提升。     

基于深度学习的砂岩组分显微图像识别

识别砂岩中的石英、长石和岩屑对判断沉积环境具有重要意义,但传统的人工识别方法存在主观性强、对经验依赖程度高等问题。本文利用深度学习、卷积神经网络等技术构建了一种基于Faster R-CNN目标检测算法的砂岩显微组分图像识别方法,实现了正交偏光下对薄片图像中石英、长石、岩屑三种组分的智能识别,三种组分平均识别准确率为89.28%。为了验证模型的可靠性,实验对比了不同算法和特征提取网络,结果表明：Faster R-CNN目标检测算法的识别效果优于YOLO V3、YOLO V4、YOLO V5s,ResNet50特征提取网络的表现效果优于VGG16。采用ResNet50特征提取网络的Faster R-CNN目标检测模型优势显著,它可以更好满足岩石薄片的识别要求,为传统的人工方法提供智能化技术方案。     

基于Faster R-CNN的多尺度高压塔鸟巢检测

为了解决复杂图像背景条件下高压塔上鸟巢检测的问题,提出一种基于Faster R-CNN的多尺度高压塔鸟巢检测方法.在特征提取方面,通过改进基于卷积神经网络的ResNet-50特征提取网络分别完成图像中高压塔和鸟巢的特征提取;在建议区域提取方面,提出在两种不同深度的卷积特征图上采用合理尺度的不同大小滑动窗口方式完成建议区域的提取,增强了对鸟巢的检测能力;在目标检测方面,提出在高分辨卷积特征图上进行上采样操作,并额外增加SENet特征增强模块,有效提高了目标检测效果.最后利用同时检测出的高压塔区域条件剔除了此区域之外的鸟巢检测结果,进一步提升了最终的鸟巢检测精度.该方法在2 000幅无人机实际巡检航拍的含有鸟巢的图像数据集上进行了测试.实验结果表明:本文方法的平均检测精度达到了84.55%.对比已有的基于HOG+SVM的检测方法和基于经典的Faster R-CNN ResNet-50检测方法,本文所提出的方法平均检测精度分别提高了43.5%和15.2%,并加快了检测速度.该方法为无人机电力智能巡检提供了一种新的解决办法.     

基于PP-YOLO深度学习模型的赣南脐橙目标检测方法

果实检测在研究脐橙采摘机械化发展中有着重要作用，然而不良天气条件将对目标果实的检测和识别产生不利影响。针对雾天和雨天情形下脐橙果实图像模糊、噪声复杂，检测速度较慢和准确率较低的问题，通过采用单阶段目标检测网络PP-YOLO来研究不良天气条件下赣南脐橙果实的识别。通过主干网络ResNet提取特征并结合FPN（特征金字塔网络）进行特征融合实现多尺度检测，且基本实现端到端检测。实验结果表明，所提出的PP-YOLO检测模型可实现雾天和雨天情况下赣南脐橙检测任务，mAP分别为89.06%和91.01%，识别效率分别可达到75.30 fps和75.44 fps，可以尝试在脐橙采摘机器人的研制中加以应用。     

改进Faster R-CNN的小目标检测

Faster R-CNN是一种比较流行的目标检测方法,由于Faster R-CNN对小目标的识别率较低,对候选区域生成和分类阶段对象大小的变化对网络的性能影响进行了详细的研究。另外,还研究了特征图的分辨率对这些阶段的影响。对于小物体,anchor的选择是非常重要的,引入了一种改进的方案用于生成候选区域建议,提供了根据期望的定位精度来选择anchor的标准,并且使用了多尺度RPN(Region Proposal Network)和多尺度分类网络。用改进后的Faster R-CNN在Flicker数据集上进行了验证,证明它能够提高小目标检测的性能。     

基于改进Faster R-CNN的路面灌封裂缝检测方法

路面灌封裂缝对路面使用寿命的影响较为突出,为了解决目前灌封裂缝检测技术匮乏的问题,文中提出了一种基于改进Faster R-CNN的路面灌封裂缝检测方法。首先,建立灌封裂缝图像集,对采集到的图像进行增广处理,构建路面灌封裂缝标注样本数据集,并将图像集按6∶2∶2的比例划分为训练集、验证集和测试集;接着,采用Faster R-CNN模型对灌封裂缝进行检测,针对Faster R-CNN检测灌封裂缝存在漏检、定位效果不够理想的问题,文中分别将VGG16、ZFNet和Resnet50网络的特征提取层与Faster R-CNN模型进行结合,结果表明,VGG16和Faster R-CNN结合的模型检测精度最高,达到0. 9031;然后,通过增加灌封裂缝候选框宽高比的方法继续改进模型,检测精度达到0. 907 3,且原先被漏检的目标能被检测出来;最后,对改进Faster R-CNN与YOLOv2模型的检测精度及定位效果进行对比,结果表明,文中提出的改进Faster RCNN能够明显提高对灌封裂缝的检测准确率和定位精度。     

改进FasterRCNNG的小目标检测

Faster RCNNG是一种比较流行的目标检测方法,由于Faster RCNNG对小目标的识别率较低,对候选区域生成和分类阶段对象大小的变化对网络的性能影响进行了详细的研究.另外,还研究了特征图的分辨率对这些阶段的影响.对于小物体,anchor的选择是非常重要的,引入了一种改进的方案用于生成候选区域建议,提供了根据期望的定位精度来选择anchor的标准,并且使用了多尺度RPN(Region Porposal Ntworke)和多尺度分类网络.用改进后的Faster RCNNG在Flicker数据集上进行了验证,证明它能够提高小目标检测的性能.     

基于改进Faster R-CNN的行人检测算法

针对行人检测中复杂环境,提出一种改进Faster R-CNN的行人检测算法,使用深度卷积网络从图片中提取适合检测目标的特征。基于Faster R-CNN算法,以Soft-NMS算法代替传统NMS算法,加强Faster R-CNN算法对重叠区域的识别能力。同时,算法通过"Hot Anchors"代替均匀采样的锚点避免大量额外计算,提高检测效率。最后,将21分类问题的Faster R-CNN框架,修改成适用于行人检测的2分类检测框架。实验结果表明:改进Faster R-CNN的行人检测算法在VOC 2007行人数据集,检测效率和准确率分别提升33%、2.6%。     

改进ViBe算法与Meanshift结合的目标跟踪方法

为解决视频监控系统中因光照变化、相似颜色干扰及快速动目标而导致的目标易丢失问题,提出一种改进ViBe算法与Meanshift结合的目标跟踪方法。首先采用三帧差分和ViBe算法结合进行前景目标提取和检测,以消除鬼影的干扰,利用色度特征和梯度特征相结合的方法来抑制阴影;同时通过将边缘特征融入到Meanshift算法中,引入运动矢量在当前帧中预测下一帧运动目标的位置,实现场面监视环境中运动目标的持续、准确跟踪。通过在监控视频中行人、车辆及飞行器等不同场面目标做实验,验证了本文方法不仅能够持续、准确地跟踪运动目标,并且可适用于场面雾天低能见度条件下的运动目标跟踪。     

基于多特征融合的自适应权重目标分类方法

提出一种自适应权重的融合卷积特征和方向梯度直方图(HOG)特征的目标分类方法,实现快速精准分类目的.首先,利用ResNet网络框架提取图像卷积特征,增加OpenCV接口以提取图像HOG特征,对HOG特征图扩维处理至与卷积特征同维;然后,在ResNet网络框架中嵌入SENet模块,计算卷积特征和HOG特征的权重向量,将卷积特征、HOG特征及相应的权重向量加以变权值叠加,实现多特征的自适应同步融合,以此构建二分类网络模块;其次,将二分类网络模块嵌入Faster Rcnn网络,构成Faster Rcnn-HOG新型网络,通过基于变阈值的粗检测策略和先验知识的区域关注策略得到图像中目标预处理检测框,利用二分类网络模块精确判定,实现目标分类.将Faster Rcnn-HOG与传统Faster Rcnn网络及另一特征融合网络Net-BB-HOG进行对比试验,三种方法在目标大类识别方面性能基本相当,但是FasterRcnn-HOG在目标小类识别方面效果更佳,证明了提出的多特征融合自适应目标分类方法的有效性和正确性.     

基于双主干网络的雾天交通目标检测方法研究

车辆和行人安全监测是城市交通监测的一项重要任务。 针对雾霾等复杂恶劣天气条件下,监测采集的图像视觉效果差、噪声高、目标检测困难等问题,提出了一种双主干网络(MobileNets VGG-DCBM Network, MVNet)用于雾天交通目标检测,结构受 PCCN 和 CBNet 网络结构的启发,由改进的深度可分离卷积神经网络 MobileNets 和基于 VGGNet 构建的 VGG-DCBM 网络组成;采用并行方式构建双主干目标检测网络结构,以改进的 MobileNets 为主主干网络,VGG-DCBM 为辅助主干网络,共同提取特征信息,实现不同网络间特征层信息的融合;MVNet 网络结构采用并行方式获取两个不同网络提取的不同特征层信息,通过采用通道拼接的方法实现不同网络特征信息之间的融合,以获得更丰富的细节特征;在 RTTS 和 HazePerson 数据集上,平均精度均值(mean Average Precision, mAP)分别达到 71. 50%和 89. 84%;实验结果表明:在雾霾等复杂恶劣天气条件下具有较强的鲁棒性且能够准确的检测到车辆和行人,在目标检测性能上优于对比方法。     

基于卷积神经网络的目标识别及姿态检测

基于深度学习方法,运用Faster R-CNN目标检测架构和ZFNet卷积神经网络,针对微装配系统目标的特点对网络进行训练,在此基础上设计了一个网络对识别目标进行姿态检测.实验结果表明:采用深度学习方法可以有效地对部分遮挡的目标进行识别并检测其姿态,相比于传统方法,该方法对环境适应性更强且速度更快,具有实际应用价值.     

基于改进Faster RCNN的印刷电路板瑕疵检测算法

PCB印刷电路板上元器件较多且距离较小,电路走线颜色较为相近。传统检测方法基于机器视觉检测,其算法存在检测速度慢、误检率较多、能够检测出的瑕疵种类较少等问题。基于此,提出了一种基于改进Faster RCNN的印刷电路板瑕疵检测算法。该算法可以同时检测出漏孔、缺口、断路、短路、毛刺、余铜6种印刷电路板上的瑕疵。首先,采用Faster RCNN作为基础检测框架,使用金字塔特征网络(FPN)、多尺度训练、锚点框、聚类作为基础改进措施;其次,以改进后损失函数(DIoU)替换原算法中的smoothL1损失函数作为边界框定位回归的损失函数;最后,计算出在多种实验条件下的模型平均精度均值(mAP),对各种算法进行了对比。实验结果表明,原算法Faster RCNN的mAP为73.7%,改进后Faster RCNN的mAP为95.1%,相比原算法对印刷电路板瑕疵检测的mAP上升了21.4%,相比其他算法具有明显优势。     

一种基于粗集理论对雾天图像增强的研究

由于雾天有光亮条件的干扰,雾天拍摄的图片经常都有很严重的图像降质;针对雾天图片的退化情况,文章提出了一种基于粗集理论在空域采用3×3滑动窗口的图像增强方法,通过对实物照片的处理表明该方法在图像增强效果和时间复杂性方面均优于传统图像增强方法,在重现原图的基础上能有效地改善雾天图像的退化现象和提高图像清晰度。     

基于多尺度超完备字典的飞机目标检测算法

天空背景的复杂性与飞机目标的多样性,对基于传统目标检测算法的飞机目标检测带来了巨大的挑战。本文基于图像的稀疏表示理论,提出了基于多尺度超完备字典的飞机目标检测算法。算法综合了不同尺度下超完备字典各自的优点：利用低分辨率图像块学习小尺度字典,构造小尺度分类器,在低分辨率测试图像中完成前景粗检测;利用高分辨率图像块学习大尺度字典,构造大尺度分类器,在高分辨率测试图像中完成前景精检测;最后通过飞机图像块学习飞机目标字典,构造飞机目标分类器,完成前景目标分类。实验结果表明,算法能有效完成天空背景下的飞机目标检测任务,时间开销与小尺度字典目标检测相当,但在精度上逼近大尺度字典目标检测。